Neural Structured Learning (NSL) - гэта структура ў TensorFlow, якая дазваляе навучаць нейронавыя сеткі з выкарыстаннем структураваных сігналаў у дадатак да стандартных уводных функцый. Структураваныя сігналы могуць быць прадстаўлены ў выглядзе графаў, дзе вузлы адпавядаюць асобнікам, а грані фіксуюць адносіны паміж імі. Гэтыя графікі могуць быць выкарыстаны для кадавання розных тыпаў інфармацыі, такіх як падабенства, іерархія або блізкасць, і могуць быць выкарыстаны для рэгулявання працэсу навучання нейронавых сетак.
Структурны ўваход у Neural Structured Learning сапраўды можа быць выкарыстаны для рэгулявання навучання нейроннай сеткі. Уключаючы інфармацыю, заснаваную на графах, падчас навучання, NSL дазваляе мадэлі вучыцца не толькі з неапрацаваных уваходных даных, але і з сувязей, закадзіраваных у графе. Гэтая дадатковая крыніца інфармацыі можа дапамагчы палепшыць магчымасці абагульнення мадэлі, асабліва ў сцэнарыях, калі пазначаныя дадзеныя абмежаваныя або маюць шум.
Адным з распаўсюджаных спосабаў выкарыстання ўводу структуры для рэгулярызацыі з'яўляецца выкарыстанне метадаў рэгулярызацыі графаў. Рэгулярізацыя графа заахвочвае мадэль ствараць убудовы, якія паважаюць структуру графа, тым самым спрыяючы гладкасці і паслядоўнасці ў вывучаных уяўленнях. Гэты тэрмін рэгулярызацыі звычайна дадаецца да функцыі страт падчас навучання, штрафуючы адхіленні ад чаканых залежнасцяў на аснове графіка.
Напрыклад, разгледзім сцэнар, калі вы навучаеце нейронную сетку класіфікацыі дакументаў. У дадатак да тэкставага зместу дакументаў, вы таксама маеце інфармацыю аб падабенстве паміж дакументамі на аснове іх зместу. Пабудаваўшы графік, дзе вузлы ўяўляюць сабой дакументы, а грані ўяўляюць адносіны падабенства, вы можаце ўключыць гэты ўвод структуры ў NSL для кіраўніцтва працэсам навучання. Затым мадэль можа навучыцца не толькі класіфікаваць дакументы на аснове іх зместу, але і ўлічваць падабенства дакументаў, закадзіраванае ў графе.
Акрамя таго, увод структуры можа быць асабліва карысным у сцэнарыях, калі даныя дэманструюць натуральную структуру графаў, такіх як сацыяльныя сеткі, сеткі цытавання або біялагічныя сеткі. Захопліваючы неад'емныя адносіны ў дадзеных праз графік, NSL можа дапамагчы ўрэгуляваць працэс навучання і палепшыць прадукцыйнасць мадэлі пры выкананні задач, якія ўключаюць выкарыстанне гэтых адносін.
Структурны ўваход у Neural Structured Learning можа быць эфектыўна выкарыстаны для рэгулявання навучання нейроннай сеткі шляхам уключэння інфармацыі на аснове графаў, якая дапаўняе неапрацаваныя ўваходныя даныя. Гэты метад рэгулярызацыі можа павысіць магчымасці абагульнення і прадукцыйнасць мадэлі, асабліва ў сцэнарыях, дзе даступныя структураваныя сігналы, і можа даць каштоўную інфармацыю для навучання.
Іншыя апошнія пытанні і адказы адносна Асновы EITC/AI/TFF TensorFlow:
- Як можна выкарыстоўваць пласт убудавання для аўтаматычнага прызначэння правільных восяў для графіка прадстаўлення слоў у выглядзе вектараў?
- Якая мэта максімальнага аб'яднання ў CNN?
- Як працэс вылучэння прыкмет у сверточной нейронавай сетцы (CNN) прымяняецца да распазнавання малюнкаў?
- Ці неабходна выкарыстоўваць функцыю асінхроннага навучання для мадэляў машыннага навучання, якія працуюць у TensorFlow.js?
- Што такое параметр максімальнай колькасці слоў TensorFlow Keras Tokenizer API?
- Ці можна выкарыстоўваць TensorFlow Keras Tokenizer API для пошуку найбольш частых слоў?
- Што такое TOCO?
- Якая ўзаемасувязь паміж колькасцю эпох у мадэлі машыннага навучання і дакладнасцю прагназавання ад запуску мадэлі?
- Ці стварае API суседніх пакетаў у Neural Structured Learning TensorFlow дапоўнены навучальны набор даных на аснове натуральных графічных даных?
- Што такое API суседніх пакетаў у нейронавым структураваным навучанні TensorFlow?
Глядзіце больш пытанняў і адказаў у EITC/AI/TFF TensorFlow Fundamentals